cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
-
Contact Email
-
Phone
-
Journal Mail Official
-
Editorial Address
-
Location
Kota malang,
Jawa timur
INDONESIA
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Published by Universitas Brawijaya
ISSN : -     EISSN : -     DOI : -
Core Subject : Science, Education, Engineering,
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering
Jurnal Pengembangan Teknlogi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya merupakan jurnal keilmuan dibidang komputer yang memuat tulisan ilmiah hasil dari penelitian mahasiswa-mahasiswa Fakultas Ilmu Komputer Universitas Brawijaya. Jurnal ini diharapkan dapat mengembangkan penelitian dan memberikan kontribusi yang berarti untuk meningkatkan sumber daya penelitian dalam Teknologi Informasi dan Ilmu Komputer.
Arjuna Subject : -
Articles 7,013 Documents
 698   699   700   701   702 
Evaluasi Kualitas Penggunaan Aplikasi Gojek pada Aspek Efficiency dan Satisfaction Berbasis Analisis Sentimen Menggunakan IndoBERT Aditya Baskara, Satria; Yudi Setiawan, Nanang; Purnomo, Welly
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan pesat aplikasi super-app di Indonesia mendorong peningkatan jumlah ulasan pengguna pada platform seperti Google Play Store yang merefleksikan pengalaman terhadap kualitas penggunaan aplikasi. Penelitian ini bertujuan untuk menganalisis kualitas penggunaan aplikasi Gojek berdasarkan standar ISO/IEC 25010 pada dimensi quality in use, dengan fokus pada aspek efficiency dan satisfaction, serta mengevaluasi kinerja model IndoBERT dalam klasifikasi sentimen berbasis aspek (Aspect-Based Sentiment Analysis/ABSA) pada level kalimat. Data berupa ulasan pengguna diolah menjadi 3.384 kalimat dan dianalisis menggunakan model IndoBERT hasil fine-tuning. Hasil menunjukkan bahwa 56,1% kalimat memiliki sentimen negatif dan 43,9% positif. Pada aspek efficiency, sentimen negatif mendominasi sebesar 63,7%, sedangkan pada aspek satisfaction distribusi sentimen relatif lebih seimbang dengan 53,3% sentimen positif. Model IndoBERT menunjukkan kinerja yang sangat baik dengan akurasi 91,05%, precision 91,01%, recall 91,14%, dan F1-score 91,04%. Hasil ini menunjukkan bahwa analisis ulasan pengguna berbasis ABSA efektif untuk memahami pengalaman pengguna serta mendukung evaluasi kualitas penggunaan aplikasi secara lebih terukur dan komprehensif.
Pengembangan Model Horizontal Autoscaling pada Kubernetes Menggunakan Reinforcement Learning Berbasis Fuzzy logic Brata, Gede Indra Adi; Yahya, Widhi; Kartikasari, Dany Primanita
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Horizontal Pod Autoscaling (HPA) merupakan mekanisme penting dalam kubernetes untuk menjaga keseimbangan antara kualitas layanan dan penggunaan sumber daya. HPA yang umum digunakan masih berbasis ambang batas statis (threshold based), sehingga kurang adaptif terhadap perubahan beban kerja yang dinamis dan berpotensi menyebabkan over provisioning atau under provisioning. Penelitian ini mengusulkan pendekatan autoscaling berbasis reinforcement learning (RL) menggunakan algoritma Q-learning dan Q-learning berbasis fuzzy logic untuk mengatasi keterbatasan tersebut. Penerapan Q-learning secara langsung pada lingkungan dengan variabel observasi kontinu menghadapi permasalahan curse of dimensionality, di mana ruang state tumbuh secara eksponensial seiring bertambahnya variabel observasi sehingga menyulitkan konvergensi kebijakan optimal. Integrasi fuzzy logic bertujuan mengatasi permasalahan tersebut melalui reduksi ruang state menggunakan diskretisasi berbasis kategori linguistik. Eksperimen dilakukan dengan membandingkan tiga metode autoscaling, yaitu Q-learning, Q-learning berbasis fuzzy logic, dan HPA, menggunakan metrik utama tingkat pelanggaran SLO dan rata-rata jumlah replika. Hasil pelatihan selama 60 episode menunjukkan bahwa Q-learning berbasis fuzzy logic menghasilkan cumulative reward sebesar -453,4286, jauh lebih tinggi dibandingkan Q-learning sebesar -3.504,2705. Jumlah state yang terbentuk pada Q-learning mencapai 1.855, sedangkan pada Q-learning berbasis fuzzy logic hanya 21 state, menunjukkan reduksi ruang state sekitar 88 kali lebih kecil. Pada tahap pengujian, Q-learning menghasilkan tingkat pelanggaran SLO sebesar 70,9%, sedangkan Q-learning berbasis fuzzy logic hanya 13,8%, dan HPA sebesar 0,2%. Nilai P90 dan P95 pada Q-learning melampaui ambang batas SLO 1000 ms, sementara Q-learning berbasis fuzzy logic dan HPA tetap berada di bawah ambang batas tersebut. Dari sisi efisiensi sumber daya, rata-rata replika yang digunakan Q-learning berbasis fuzzy logic adalah 5,28, lebih rendah dibandingkan HPA sebesar 8,45 replika. Hasil penelitian menunjukkan bahwa integrasi fuzzy logic mampu mengatasi permasalahan curse of dimensionality pada Q-learning, sekaligus memberikan keseimbangan antara pemenuhan SLO dan efisiensi penggunaan sumber daya dalam mekanisme autoscaling Kubernetes
Pengembangan Sistem Informasi Klasifikasi Bidang Penelitian Skripsi Berdasarkan Judul Dan Abstrak Menggunakan Algoritma Support Vector Machine Susanto, Ananta Risky; Wijoyo, Satrio Hadi; Rachmadi, Aditya
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini mengembangkan Sistem Informasi Klasifikasi Bidang Penelitian Skripsi berbasis web untuk mengotomatisasi penentuan bidang penelitian berdasarkan judul dan abstrak. Latar belakang penelitian adalah proses klasifikasi manual yang cenderung memakan waktu, berpotensi subjektif, serta dapat memengaruhi ketepatan pemetaan topik dan rekomendasi dosen pembimbing. Pengembangan sistem dilakukan menggunakan model Waterfall melalui tahapan analisis kebutuhan, perancangan, implementasi, dan pengujian. Proses klasifikasi memanfaatkan algoritma Support Vector Machine dengan praproses teks serta pembobotan fitur TF-IDF. Sistem dirancang untuk empat peran pengguna, yaitu admin, dosen, mahasiswa, dan kaprodi, dengan fitur utama meliputi klasifikasi otomatis, riwayat klasifikasi, rekomendasi dosen pembimbing, dan monitoring statistik. Hasil pengujian menunjukkan model memiliki kinerja yang baik pada skenario data terbaik, seluruh fungsi sistem valid pada pengujian fungsional, dan tingkat penerimaan pengguna berada pada kategori sangat baik. Berdasarkan hasil tersebut, sistem dinilai layak diimplementasikan untuk mendukung proses klasifikasi bidang penelitian skripsi yang lebih cepat, konsisten, dan terstruktur, sekaligus membantu pengambilan keputusan akademik.

Page 702 of 702 | Total Record : 7013

 698   699   700   701   702 

Filter by Year

2017 2026


Reset
Filter By Issues
All Issue Vol 10 No 13 (2026): Publikasi Khusus Tahun 2026 Vol 10 No 01 (2026): Januari 2026 Vol 10 No 5 (2026): Mei 2026 Vol 10 No 4 (2026): April 2026 Vol 10 No 3 (2026): Maret 2026 Vol 10 No 2 (2026): Februari 2026 Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025 Vol 9 No 12 (2025): Desember 2025 Vol 9 No 11 (2025): November 2025 Vol 9 No 10 (2025): Oktober 2025 Vol 9 No 9 (2025): September 2025 Vol 9 No 8 (2025): Agustus 2025 Vol 9 No 7 (2025): Juli 2025 Vol 9 No 6 (2025): Juni 2025 Vol 9 No 5 (2025): Mei 2025 Vol 9 No 4 (2025): April 2025 Vol 9 No 3 (2025): Maret 2025 Vol 9 No 2 (2025): Februari 2025 Vol 9 No 1 (2025): Januari 2025 Vol 8 No 13 (2024): Publikasi Khusus Tahun 2024 Vol 8 No 10 (2024): Oktober 2024 Vol 8 No 9 (2024): September 2024 Vol 8 No 8 (2024): Agustus 2024 Vol 8 No 7 (2024): Juli 2024 Vol 8 No 6 (2024): Juni 2024 Vol 8 No 5 (2024): Mei 2024 Vol 8 No 4 (2024): April 2024 Vol 8 No 3 (2024): Maret 2024 Vol 8 No 2 (2024): Februari 2024 Vol 8 No 1 (2024): Januari 2024 Vol 7 No 13 (2023): Publikasi Khusus Tahun 2023 Vol 7 No 9 (2023): September 2023 Vol 7 No 8 (2023): Agustus 2023 Vol 7 No 7 (2023): Juli 2023 Vol 7 No 6 (2023): Juni 2023 Vol 7 No 5 (2023): Mei 2023 Vol 7 No 4 (2023): April 2023 Vol 7 No 3 (2023): Maret 2023 Vol 7 No 2 (2023): Februari 2023 Vol 7 No 1 (2023): Januari 2023 Vol 7 No 14 (2023): Antrian Publikasi Vol 6 No 13 (2022): Publikasi Khusus Tahun 2022 Vol 6 No 12 (2022): Desember 2022 Vol 6 No 11 (2022): November 2022 Vol 6 No 10 (2022): Oktober 2022 Vol 6 No 9 (2022): September 2022 Vol 6 No 8 (2022): Agustus 2022 Vol 6 No 7 (2022): Juli 2022 Vol 6 No 6 (2022): Juni 2022 Vol 6 No 5 (2022): Mei 2022 Vol 6 No 4 (2022): April 2022 Vol 6 No 3 (2022): Mei 2022 Vol 6 No 2 (2022): Februari 2022 Vol 6 No 1 (2022): Januari 2022 Vol 5 No 13 (2021): Publikasi Khusus Tahun 2021 Vol 5 No 12 (2021): Desember 2021 Vol 5 No 11 (2021): November 2021 Vol 5 No 10 (2021): Oktober 2021 Vol 5 No 9 (2021): September 2021 Vol 5 No 8 (2021): Agustus 2021 Vol 5 No 7 (2021): Juli 2021 Vol 5 No 6 (2021): Juni 2021 Vol 5 No 5 (2021): Mei 2021 Vol 5 No 4 (2021): April 2021 Vol 5 No 3 (2021): Maret 2021 Vol 5 No 2 (2021): Februari 2021 Vol 5 No 1 (2021): Januari 2021 Vol 5 No 13 (2021) Vol 4 No 13 (2020): Publikasi Khusus Tahun 2020 Vol 4 No 12 (2020): Desember 2020 Vol 4 No 11 (2020): November 2020 Vol 4 No 10 (2020): Oktober 2020 Vol 4 No 9 (2020): September 2020 Vol 4 No 8 (2020): Agustus 2020 Vol 4 No 7 (2020): Juli 2020 Vol 4 No 6 (2020): Juni 2020 Vol 4 No 5 (2020): Mei 2020 Vol 4 No 4 (2020): April 2020 Vol 4 No 3 (2020): Maret 2020 Vol 4 No 2 (2020): Februari 2020 Vol 4 No 1 (2020): Januari 2020 Vol 3 No 12 (2019): Desember 2019 Vol 3 No 11 (2019): November 2019 Vol 3 No 10 (2019): Oktober 2019 Vol 3 No 9 (2019): September 2019 Vol 3 No 8 (2019): Agustus 2019 Vol 3 No 7 (2019): Juli 2019 Vol 3 No 6 (2019): Juni 2019 Vol 3 No 5 (2019): Mei 2019 Vol 3 No 4 (2019): April 2019 Vol 3 No 3 (2019): Maret 2019 Vol 3 No 2 (2019): Februari 2019 Vol 3 No 1 (2019): Januari 2019 Vol 2 No 12 (2018): Desember 2018 Vol 2 No 11 (2018): November 2018 Vol 2 No 10 (2018): Oktober 2018 Vol 2 No 9 (2018): September 2018 Vol 2 No 8 (2018): Agustus 2018 Vol 2 No 7 (2018): Juli 2018 Vol 2 No 6 (2018): Juni 2018 Vol 2 No 5 (2018): Mei 2018 Vol 2 No 4 (2018): April 2018 Vol 2 No 3 (2018): Maret 2018 Vol 2 No 2 (2018): Februari 2018 Vol 2 No 1 (2018): Januari 2018 Vol 2 No 8 (2018) Vol 2 No 6 (2018) Vol 1 No 12 (2017): Desember 2017 Vol 1 No 11 (2017): November 2017 Vol 1 No 10 (2017): Oktober 2017 Vol 1 No 9 (2017): September 2017 Vol 1 No 8 (2017): Agustus 2017 Vol 1 No 7 (2017): Juli 2017 Vol 1 No 6 (2017): Juni 2017 Vol 1 No 5 (2017): Mei 2017 Vol 1 No 4 (2017): April 2017 Vol 1 No 3 (2017): Maret 2017 Vol 1 No 2 (2017): Februari 2017 Vol 1 No 1 (2017): Januari 2017 More Issue